Учет уровня шума при мягких демодуляции/декодировании Опции

[AEG]

Здравствуйте!

Меня интересует проблема учета уровня шума при мягких демодуляции/декодировании. Прилагаю скриншот с симулинковской моделью, на которой отображены так же результаты моделирования. Можно видеть, что принятие неверной сигмы 1.5 при формировнии решений демодулятора дает лучший результат, чем принятие истинной сигмы 1.0. Результат для меня неожиданный и непонятный. Различе небольшое, но статистически значимое, поскольку выборка большая, и моделирование проводилось неоднократно с разными начальными условиями генератора случайных чисел. Результат один.

Помимо этого видно, что учет разных сигм дает вообще не очень-то различный результат. Я ожидал другого. Можно вообще использовать приближенные LLR вместо точных, где сигма вообще не участвует. Результат опять таки будет мало отличаться. Зачем же тогда вообще нужен учет шума, если толку мало?

Модель изготовлена из матлаб-симулинковского демо "LLR vs. Hard Decision Demodulation". Все параметры модуляции, кодирования и т.д. такие же как в демке. Их можно крутить, но по сути ничего не меняется. Используются неквантованные решения демодулятора.

Расчитываю на помощь экспертов.
Спасибо!

[serjj]

AEG, посмотрите модификацию модели, которую я выложил на несколько постов выше. При низком snr и большой разнице в сигмах вы увидите, что LLR даёт ошибку при неверном сигма. Но ИМХО с точки зрения реальной применимости, не нужно закладываться на алгоритм рассчёта мягких решений, требующий рассчёта сигмы (особенно точного её рассчёта), т.к. это задача нетривиальная. Есть алгоритмы, которые обеспечивают свою производительность только при относительно точной оценке сигмы (пример, MMSE), а в случае с мягкими решениями ALLR позволяет обойтись без дисперсии шума.

[AEG]

AEG, посмотрите модификацию модели, которую я выложил на несколько постов выше. При низком snr и большой разнице в сигмах вы увидите, что LLR даёт ошибку при неверном сигма. Но ИМХО с точки зрения реальной применимости, не нужно закладываться на алгоритм рассчёта мягких решений, требующий рассчёта сигмы (особенно точного её рассчёта), т.к. это задача нетривиальная. Есть алгоритмы, которые обеспечивают свою производительность только при относительно точной оценке сигмы (пример, MMSE), а в случае с мягкими решениями ALLR позволяет обойтись без дисперсии шума.

Да, я посмотрел спасибо. Но, собственно, при моем отношении сигнал/шум такая ошибка в сигме тоже даст худший результат. Двойка (при истинной сигме 1) у меня уже дает худший результат. При низких ОСШ мне тоже удавалось подобрать сигму, которая лучше истинной. Это и странно. Из математики вроде как истинная сигма должна быть лучшей сигмой на всех шумах. Или не должна...

ИМХО тут уже и до MAP алгоритма недалеко.

Вот, кстати, да, подумалось, собственно МП не обязан минимизировать (как MAP) вероятность битовой ошибки (т.е. BER), а минимизирует вероятность ошибки кодового слова. Может в этом дело?

Уже говорил возьмите другой декодер.

Я видел, да, спасибо.
Меня собственно интересует, где учет уровня шума может дать хороший выигрышь в BER. Т.е. смотреть турбо, лдпц. Что-то еще?